@ARTICLE{Tavakoli Mehrjardi, author = {Amjadi Sardehaei, Ehsan and Tavakoli Mehrjardi, Gholamhosein and }, title = {Use of Artificial Neural Networks to Estimate Installation Damage of Nonwoven Geotextiles}, volume = {13}, number = {5}, abstract ={این مقاله مدلی از شبکۀ عصبی پس انتشار را برای پیش‌بینی (گویی) مقاومت کششی باقی‌مانده و چارت طراحی به‌منظور برآورد (تخمین) ضرایب کاهش مقاومت ژئوتکستایل‌های بافته نشده که تحت فرآیند نصب قرار گرفته اند، ارائه می‌کند. 34 داده از تست های برجای مقیاس کامل برای آموزش، صحت‌سنجی و آزمایش شبکه عصبی ایجاد شده (توسعه یافته) و مدل رگرسیونی استفاده شده است. نتایج نشان می دهد که، پیش‌بینی مقاومت کششی باقی‌مانده با استفاده از شبکۀ عصبی آموزش داده شده، تطابق خوبی با نتایج آزمایشگاهی دارد. پیش‌بینی های به‌دست آمده از شبکۀ عصبی بسیار بهتر از مدل رگرسیونی هستند، به‌طوری‌که درصد خطای حداکثر داده های آموزش داده شده برای شبکه عصبی و مدل رگرسیونی به‌ترتیب کم‌تر از 87/0 درصد و 92/18 درصد است. بر اساس شبکۀ عصبی توسعه یافته، یک چارت طراحی ایجاد شده است. به‌طور‌کلی، ضرائب کاهش مقاومت ژئوتکستایل ها ناشی از خرابی نصب هنگامی که عملیات تراکم در شرایطی اعم از مقاومت کشش چنگکی نمونه پیش از نصب کم‌تر، تنش اعمالی روی ژئوتکستایل بیش‌تر، مصالح خاکریز با اندازۀ دانه بزرگ تر، تراکم نسبی مصالح خاکریز بیش‌تر و بستر ضعیف تر انجام می‌‌شود، افزایش می یابد. }, URL = {http://jeg.khu.ac.ir/article-1-2655-fa.html}, eprint = {http://jeg.khu.ac.ir/article-1-2655-fa.pdf}, journal = {Journal of Engineering Geology}, doi = {}, year = {2020} }